​适用平台：Matlab2023版本及以上

本程序同时结合两篇国内顶级EI的方法：提出1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序！

①中文EI期刊《电力自动化设备》12月29号网络首发文献：《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》；

②中文EI期刊《电网技术》网络首发文献：《基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法》

此外，在此基础上进一步对模型进行优势结合，程序注释清晰，干货满满，下面对文章和程序做简要介绍！

文献①解读：这篇文献中，首先，采集一维故障电压与电流信号的时序序列；其次，利用格拉姆角场对其进行变换，将两种一维时序信号转化为格拉姆角场，最后，将生成的两组图像同时送入CNN进行并行学习训练，实现逆变器故障诊断。

创新点：双支路特征提取结构可以实现分别提取不同侧重点的特征，实现双支路的特征互补。

文献②解读：这篇文献的创新点在于马尔可夫场（MTF）与卷积神经网络（CNN）相结合，融入多头注意力机制，实现故障分类。MTF将一维信号转换为二维特征图，而CNN可以对这些特征图进行自适应的特征提取和分类，融合多头注意力机制有效把握提取特征的贡献程度，实现了故障的准确分类。

创新点：通过顺序表达状态转移矩阵，充分保留了离散化时域动态信息，最终利用模糊内核聚合生成二维图像，图像化一维时序数据，更有效地捕捉复杂的波形规律和异常。

模型结合改进：我们提出的模型在上述模型基础上提出优势互补模型：

模型互补：

• 参考文献①：采用双支路结构，分别利用不同的支路提取不同侧重点的特征，实现双支路的特征互补。

• 参考文献②：仅需原始故障波形数据，即可根据波形数据，将一维序列转化为二维马尔科夫场（MTF）图像。

模型改进：

• 一路为图像输入经CNN提取格拉姆角场图像特征，提出将另一路为故障波形直接输入经GRU提取时序特征，高维图像特征和一维时序特征融合。

• 融合多头注意力机制有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率，并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下：

六重创新点：

1、多模态融合：将一维时序信号和二维图像融合，可以综合利用不同模态的信息，从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征，从而提高分类和识别的准确性。

2、时序信息捕获：GRU（门控循环单元）是一种适用于时序数据的循环神经网络，它能够捕获一维时序信号中的动态变化和趋势。通过将GRU与CNN结合，算法可以同时考虑时序特征和空间特征，进一步提升了算法的性能。

3、空间特征学习：CNN（卷积神经网络）在图像处理中表现出色，能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征，有助于更准确地进行分类和故障识别。

4、融合优势：通过融合不同模态的信息，算法可以弥补一维时序信号和二维图像各自的局限性。例如，图像可能对于某些故障模式更敏感，而时序信号则对于其他模式更敏感。将它们结合起来，可以增强算法的鲁棒性和泛化能力。

5、多头自注意力机制：融合多头注意力机制有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率。

6、提高泛化能力：多模态融合可以帮助算法更好地理解数据的本质特征，从而减少过拟合的风险，提高算法在新数据上的泛化能力。

适用领域：适用于各种数据分类场景，如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动，等领域的识别、诊断和分类。

直接替换数据就可以，使用EXCEL表格直接导入，不需要对程序大幅修改。程序内有详细注释，便于理解程序运行。

数据格式：一行一个样本，最后一列为样本所属的故障类型标签

程序结果：（由上述一维序列自动转化为马尔可夫场图像）

部分图片来源于网络，侵权联系删除！

欢迎感兴趣的小伙伴联系小编获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~